[发明专利]一种眼眶淋巴瘤和炎性假瘤分类方法、系统、设备及终端

说明书

本发明属于医学图像处理、计算机辅助诊断技术领域，公开了一种眼眶淋巴瘤和炎性假瘤分类方法、系统、设备及终端，在获取得到的眼眶DCE‑MRI图像中，将原始图像中的肿瘤区域和眼锥三角区域手动分割并预处理；对肿瘤区域使用神经网络提取特征，并对特征进行聚类统计分析，作为肿瘤区域特征；对眼锥三角区域进行特征提取作为相似度评判标准，使用自分类和自恢复网络提取眼锥区域特征；将原始图像作为输入网络并结合肿瘤区域和眼锥三角区的特征训练网络模型；将多模态眼眶数据输入分类模型中进行处理，实现对眼眶淋巴瘤和炎性假瘤的分类。本发明全方面考虑到肿瘤的纹理特征和眼锥区域的深度特征，有效提高了预测精度，具有准确率高的特点。

技术领域

本发明属于医学图像处理、计算机辅助诊断技术领域，尤其涉及一种眼眶淋巴瘤和炎性假瘤分类方法、系统、设备及终端。

背景技术

目前，眼眶淋巴瘤是成人最常见的眼眶恶性肿瘤，通常采用局部放疗。炎性假瘤是一种特发性增生性炎症，该疾病通常使用皮质类胆固醇和辅助抗生素等抗炎药物治疗。眼眶淋巴瘤和炎性假瘤的临床影像学信息通常有重叠，常规组织学难以区分。活检为病理学检验眼眶淋巴瘤和炎性假瘤提供金标准，但活检是具有侵入性的，会引起一些并发症。磁共振成像术前检查技术为眼眶疾病的无创诊断提供了理想的手段。与活检相比，磁共振成像术前检查技术对人体的损伤较小，但医生的经验和医院的成像设备会影响医生对该疾病的诊断。因此，亟需提供一个无创精准的眼眶淋巴瘤和炎性假瘤的高效分类方法。目前已经有关于眼眶淋巴瘤和炎性假瘤的分类诊断系统被提出，但这些大多采取的是影像组学的方式，这需要复杂的分析步骤，包括手工提取特征，特征选择和预测模型构建等，由于每个步骤具有随机性，会导致研究结果不一致。有很少的人使用深度学习区分眼眶淋巴瘤和炎性假瘤，且仅关注眼眶三角区信息，而忽略了肿瘤的信息。目前还没有文章对眼锥三角区和肿瘤区域联合研究。

目前，基于影像组学方式分析步骤复杂，每个步骤具有随机性，会导致研究结果不一；深度学习方法在该领域的研究较少，且仅关注于部分信息，没有全面考虑到肿瘤和眼锥三角区的共同信息。但是，基于影像组学方式对眼眶淋巴瘤和炎性假瘤的诊断，由于步骤的随机性，有效提取特征以及有效的分类都具有较大难度。深度学习在眼眶图像分类中的研究还处于初步研究的状态，如何构建一个高效的模型应用于眼眶淋巴瘤和炎性假瘤的分类具有较大难度。

通过上述分析，现有技术存在的问题及缺陷为：

(1)现有关于眼眶淋巴瘤和炎性假瘤的分类诊断系统大多采取影像组学的方式，分析步骤复杂，且由于每个步骤具有随机性，导致分类结果不一致。

(2)目前使用深度学习区分眼眶淋巴瘤和炎性假瘤的方法较少，并且其方法也仅关注眼眶三角区信息或仅考虑到肿瘤区域，而没有全面考虑到肿瘤和眼锥三角区的共同信息。

(3)目前关于眼锥三角区和肿瘤区域的联合分析技术尚未见报道。

发明内容

针对现有技术存在的问题，本发明提供了一种眼眶淋巴瘤和炎性假瘤分类方法、系统、设备及终端，尤其涉及一种基于多维信息融合的眼眶淋巴瘤和炎性假瘤分类方法、系统、设备及终端。

本发明是这样实现的，一种眼眶淋巴瘤和炎性假瘤分类方法，眼眶淋巴瘤和炎性假瘤分类方法包括：在获取到的眼眶动态对比增强磁共振成像(DCE-MRI)图像中，将原始图像中的肿瘤区域和眼锥三角区域手动分割并预处理；将预处理后的三维图像作为样本，划分样本数据集；对肿瘤区域使用神经网络提取特征，并对特征进行聚类统计分析，作为肿瘤区域特征；对眼锥三角区域进行特征提取作为相似度评判标准，使用自分类和自恢复网络提取眼锥区域特征；将训练数据集输入网络并结合肿瘤区域和眼锥三角区的特征训练网络模型，使用测试集数据进行预测；将多模态数据输入分类模型中进行处理，实现对眼眶淋巴瘤和炎性假瘤的分类任务。

进一步，眼眶淋巴瘤和炎性假瘤分类方法包括以下步骤：